[發明專利]一種多尺度時間序列生理信號的因果網絡分析方法

有效

• 申請號: 202011239121.3
• 申請日: 2020-11-09
• 公開（公告）號: CN112386227B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 張羿;楊琴;張力夫;王冠;冉宇;斯蒂芬·蘇;布蘭科·塞勒;徐鵬;堯德中
• 申請（專利權）人: 電子科技大學
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/372
• 代理公司: 成都巾幗知識產權代理有限公司 51260
• 代理人: 邢偉

本發明公開了一種多尺度時間序列生理信號的因果網絡分析方法，包括以下步驟：S1.利用NA?MEMD算法對待分析的生理信號u₁,u₂,...,u_m進行分解；S2.對于兩個不同的生理信號u_i,u_j，進行因果分析，i＝1,2,...m,j＝1,2...,m,且i≠j，得到兩個信號之間的因果關系；S3.對于u₁,u₂,...,u_m中任意兩個信號，重復執行步驟S2，直至得到u₁,u₂,...,u_m中各個信號兩兩之間的因果關系，形成因果網絡。本發明能夠有效分析出生理信號的因果網絡，為生理信號的應用提供了便利。

技術領域

本發明涉及生理信號處理，特別是涉及一種多尺度時間序列生理信號的因果網絡分析方法。

背景技術

多尺度時間序列生理信號的因果網絡分析方法可在腦機接口技術、腦功能和結構機制研究、腦器交互技術(大腦與眼、心、肺、肌等人體器官構成的生理網絡)中得以應用和推廣。

基于Gall提出的神經科學功能分離和功能整合表明，不同的大腦功能在專門的皮質區域是存在局部局限性的，因此通過功能連接(FC)來評估大腦感知、認知和行為的科學標準一直由格蘭杰因果關系分析主導。FC被用作為一種視覺工具，以顯示大腦區域之間空間距離的時間相關性。

在大多數真實情況下，因果關系可能是依賴時間的、同時的和相互的。然而，現有的時間序列因果關系分析方法大多基于預測的概念，可能無法描述瞬時事件之間的相互因果關系運動。在這種情況下，格蘭杰因果關系是基于以下假設：因果關系是可分離的，這在許多線性隨機系統中很有用，但可能不適用于復雜的動態過程(例如與大腦相關的生理網絡)。此外，還開發了收斂交叉映射(CCM)方法，以適應因果效應的不可分離性。在大腦網絡的因果建模中，動態因果建模和轉移熵也很普遍，但基本上基于貝葉斯預測。楊等人提出了一種通過希爾伯特-黃變換(HHT)評估因果相互作用的方法。然而，它的理論框架不能直接在大腦相關的復雜信息系統上進行推廣應用，而且在先驗因果相互作用方面也缺乏充分必要的實踐。

協變量方法所依據的是伽利略和休謨的因果歸納，由于因果關系以某些方式從感官輸入中編碼：即，候選因果與結果之間的共變量可以定義為在候選原因存在時效果概率與在候選原因不存在的情況下，該概率之間的差值。Kantian的因果強度表示解釋了因果信息的先驗知識的存在。與通用的基于HHT的因果分解方法相比，經驗模式分解(EMD)不能保證跨多個時間序列的IMF數相等，并導致模式(比例)對齊(跨通道相互依賴)，從而導致多元時間序列中時間尺度的延伸。例如，在大腦-生理網絡中，從信號采集設備收集到的振蕩分量通常以不同的頻段采樣。另外，EMD方法還容易受到導致模式混合問題(單通道獨立性)的噪聲影響，導致不足以識別分解的固有因果分量(ICCs)。

到目前為止，多時間尺度的因果關系分析已基本應用于時間序列的ICC評估。多尺度格蘭杰因果關系通過過濾和下采樣步驟來解決，以獲得雙變量過程的再縮放表示。基于轉移熵的多尺度分析主要基于傅里葉和小波變換得到的固定的基函數。但是，當應用于自然繼承的非線性和非固定屬性的復雜過程時，這些分解過程不會捕獲不同時間尺度上的重要特征。

發明內容

本發明的目的在于克服現有技術的不足，提供一種多尺度時間序列生理信號的因果網絡分析方法，能夠有效分析出生理信號的因果網絡，為生理信號的應用提供了便利。

本發明的目的是通過以下技術方案來實現的：一種多尺度時間序列生理信號的因果網絡分析方法，包括以下步驟：

S1.輸入待分析的生理信號：

u₁＝{u_1,1,u_1,2,...,u_1,t}